司付兴 海尔集团卡奥斯系统集成高级工程师

我是海尔集团卡奥斯系统集成工程师，主要负责卡奥斯工业互联网平台对内工业互联网关键技术测试，对外工业互联网基础场景赋能。

今天我分享的主题是“离散制造边缘计算场景应用”，主要探讨一下我们对边缘计算这一技术的理解，以及我们在边缘计算场景实现中的一些探索。

以下内容节选自直播实录：

本文围绕四部分内容展开

1、边缘计算需求背景。

2、什么是边缘计算。

3、边缘计算的技术体系。

4、边缘计算的场景实践。

边缘计算需求背景

先说一下产业背景。在全球已经掀起新一轮工业转型浪潮中，数字化是基础，网络化是支撑，智能化是目标。在此背景下，离散制造业转型面临巨大的发展机遇。

当前，在产品规划、设计、制造与运营等生产过程中，离散制造的产品、生产装备、工艺流程等已经逐步实现数字化和网络化，且智能传感和人工智能等技术不断发展成熟。而边缘计算作为工业互联网、工厂内网的关键技术，以及连接工厂内外网的有效手段，是推动离散制造业转型发展的重要技术。

离散制造业自动化技术的现状和挑战，主要有五部分。

1、设备互联互通缺少接口。目前现场的自动化设备更多的是一些单级自动化。可能在互联互通上面有很多协议，我们需要打通这么多协议，然后做这个互联互通。

2、数据采集困难。当然数据采集困难包括两方面，一是设备传感器数量不足，二是数据采集接口未完全开放。机器人控制系统也是基于机器人运动控制需求，已经采集到自身所有的数据，但是这个接口并没有对外开放出来，我们还是采集不到。

3、自动化软件系统升级维护困难。受我国国情的影响，对一些装备关键工艺控制，都是采用第三方软件，核心都是国外的，我们只能是应用，而不能修改。我们现在做了一些自动化系统，它的软件和硬件耦合比较严重。

4、设备安全形势比较严峻。在我们原有的自动化设备中，主要运行在封闭的自动化系统，现在我们要与IT系统融合，必须有一些功能安全和信息安全的保证，这是一种安全形式。

5、运营人员劳动强度大、效率低。这是因为离散制造行业有好多不确定因素，需要制订一些按需生产，弹性计划。做这个工作是比较困难，对人的要求也比较高，所以造成对人员劳动强度比较大，效率比较低。

在边缘计算产业联盟白皮书中提到一个行业智能的挑战，首先他们将行业智能分为1.0和2.0。

行业智能1.0，面向市场线索、营销、采购、物流、售后等商业过程，将用户应用和商业流程行为、状态数字化。基于多维数据分析和场景感知，建立行业的信息图谱，为行业用户提供个性化的资源配置和服务。

行业智能2.0，面向产品规划、设计、制造、运营等生产过程，产品、生产装备、工艺流程等数字化和网络化。行业2.0提升了生产和服务过程的协同，提升了资源共享和能耗的降低。它降低了生产运营和生产运营过程中的不确定性。这是联盟对行业2.0的界定。

行业2.0的挑战对应DIKW模型主要有以下四点。

挑战1，数据信息难以有效流动和集成。目前工业界至少有6种以上工业实时以太网，会有超过40种工业总线，但是缺少统一的信息与服务定义模型，信息难以有效流动和交互。

挑战2，知识的模型化。知识模型不是知识，而是一个知识的抽象，是把一些固有的知识交给计算机，让计算机理解与处理。目前知识模型的输入存在一些信息不完整、不准确和不充分的挑战。知识模型的一些算法和建模还需要不断改进优化。当然，知识模型的应用场景还需要不断的积累。这是知识，对应knowledge。

挑战3，产品全生命周期，端到端集成的挑战。我们讲行业智能，讲智能制造，整个产业链变长了，对产品全生命周期、数据集成提了更高的要求，这也是对应的一个挑战。

挑战4，OT和IT融合挑战。我们现在讲边缘计算，边缘计算的产生为行业2.0提供了一些关键的能力。

什么是边缘计算？

首先看一下联盟对边缘计算的定义。边缘计算是在靠近物或者数据源头的网络边缘侧融合网络计算、存储、应用等核心能力的分布式开放平台。它就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求，它可以作为连接物理世界和数字世界的桥梁。通过数据控制，连接物理世界和数字世界，使能数据资产、智能网关、智能系统和智能服务。这是联盟对它的定义。

对边缘计算有几点理解。

第一，边缘计算是一种分散式运算的架构，是将应用程序、数据资料、服务运算由网络中心节点往边缘节点处理。

第二，边缘计算是将原本完全由中心节点处理的大型服务加以分解，切割成更小、更容易管理的部分，分散到边缘节点处理。

第三，边缘节点更接近于用户终端装置，可以加快资料的处理和传输速度，减少延迟。

第四，边缘计算是在靠近数据源头的地方提供智能分析、处理服务，提升效率，提高安全隐私保护。

当然，为了加深大家对边缘计算的理解，这里举两个行业例子。

第一个，章鱼。说到章鱼，可以算是我们这个星球上比较魔性的生物之一，它可以喷墨汁，可以有变色伪装，甚至可以改变自己的RNA，可以称得上是无脊椎动物中智商最高的一种动物。章鱼本身具有巨量的神经元，但是它的神经元分布确实和人有很大的区别。它60%以上的神经元是分布在八条腿上，只有40%的神经元分布在它的大脑中。章鱼在逃跑或者捕猎的时候非常迅速，非常敏捷，它的八条腿也从来不会打架。这得益于章鱼类似于分布式计算的架构，一个大脑，多个小脑的模式。章鱼从它的腿思考，并就地解决问题，和我们讲的边缘计算比较类似。

第二个，啤酒。小麦酿啤酒，这个例子虽然不是很恰当，但是可以帮助我们理解一下边缘计算。在全国各地有小麦的产区，假如说在计划经济时代，全国啤酒只能在北京生产，全国需要酿酒的小麦都要由各地运往首都，当然这是一个理想的情况。这样就比较不理智，一是小麦体积比较大，从各地运往首都可能成本比较高，如果原地存储酿酒可能比较方便，本地端去边缘侧做边缘计算，把酒酿出来。现在市场经济下，每个区域都会有一个啤酒品牌，为了就近酿酒服务周围的社会。

这两个例子帮助大家理解边缘计算。

下面讲一下边缘计算的功能，边缘计算概括起来主要可以包括以下五个功能。

第一，连接海量与异构。网络是工业互联网的基础，随着连接设备的增加，网络运维及可靠性面临巨大的挑战。边缘计算可以实现工业现场的异构总线的互联互通。

第二，业务实时性。在一些控制类和执行类的高实时性场景，要求数据频率10毫秒以内，对于传统的云端部署是很难达到这个实时性要求，这时候可能需要边缘计算满足它的需求。

第三，数据优化。通过边缘计算可以实现多元异构数据的采集和分析，以统一的数据接口开放出来，可以应用于边缘智能。

第四，应用智能。通过边缘计算可以做一些业务流程的优化，运维自动化，包括一些服务模式的转型，还有一些商业模式的转型。

第五，安全和隐私保护。对安全来说，作为一个工业互联网的保障，边缘侧更贴近于设备端，其安全范围可能包含一些设备安全、网络安全、数据安全和应用安全。

下面讲一下边缘计算和云计算。

首先从概念开始，什么是云计算？云计算指的就是通过网络将应用、数据、IT资源以服务的形式提供给用户使用的一种资产模式。根据云计算使用的一些现状，目前有以下四种不足。

第一，计算的不足。现在线性增长的集中式云计算能力无法匹配爆炸式增长的边缘数据。

第二，传输能力不足。传输带宽负载增加会造成网络延迟，难以满足控制类或者实时数据传输的要求。

第三，安全不足。我们源泉涉及的因素比较多，比边缘侧多，它要和应用软件、平台、操作系统、多段网络、权限管理等多方面因素有相关关系。

第四，能耗不足。从边缘设备传输数据到云端，需要耗费一部分电。同时，我要从云端获取数据，到设备端也是需要二次能耗的。

基于云计算，之前提过边缘计算的概念，它指的是靠近物体或者数据源进行的计算、存储、控制等数据处理的一种计算模式。从整体来说，边缘计算是无法取代云计算的。边缘计算层设备资源有限，不像云计算数据中心拥有大量的计算、存储资源。目前来看两者协同才能发挥最大的作用。所以我们现在讲边云协同。

边云协同什么意思呢？就是让云干它擅长的事情，让边缘干它擅长的事情。云擅长一些全局性、非实时性、长周期的大数据处理和分析。边缘计算适用于局部性、实时性、短周期的数据处理和分析。边缘计算和云计算应该是互补的，而不是对立的。

一个边缘计算协同的价值流程图，最底层是设备端，中间层是边缘层，再往上是云端。设备的数据假如说全部上云，它会造成核心网络阻塞，造成网络延迟，这个是不合理的。正常应该先把设备数据上传到云端，就是边缘节点。边缘计算的节点在自己负责范围之内的数据进行一些数据计算和存储，经过处理过后的数据，从边缘端上传到云端，云端会做一些基于边缘侧上传出来的源数据，做一些大数据的分析、挖掘，还有一些数据共享。同时会进行一些算法模型的训练与升级，升级后的算法模型会重新推送到边缘侧，使前端的设备做更新升级，由此形成一个自主学习的闭环。

同时，云端数据也有备份的需要。假如说边缘计算的过程中会出现一些意外，存储在云端的数据也会丢失，这是边云协同的价值流。边缘计算和云计算并不是互相排斥的关系，二者是相互促进、共同发展的。边缘计算在未来的发展中会和云计算相互融合，进入到边云协同的新阶段。在云端学习，在边缘侧执行，处理复杂的问题。处理好安全性、带宽、复杂性等方面问题后，边云协同在以后生产中会占据一个举轻若重的位置。

下面讲一下行业里面对边缘计算的诉求。

诉求一，高效低成本的数据处理。随着网络带宽的增加，传输的时间是减少的，对于相同的带宽，传输数据量增大，传输时间也是会增加的。再就是传输成本的分析，随着数据量增加，传输成本也不断增加。数据传输需要时间和代价的，而边缘计算相当于在边缘侧提供数据计算、存储，提供高效、低成本的数据处理。

诉求二，工业互联网的诉求。卡奥斯工业互联网平台的架构，它分为边缘侧、IaaS层、PaaS层、应用层，还有一些安全部分。

对于边缘层来说，它通过大范围、深层次的数据采集，以及异构数据协议转换与边缘处理，构建工业互联网平台的数据基础。主要是三个方面，一是通过不同的手段接入不同的设备、不同的系统、不同的产品采集海量的数据；二是依托协议转换，实现多元异构数据接口规划，边缘集成；三是利用边缘计算设备，实现底层数据的汇集处理，并实现数据向云端平台的集成。通过边缘计算对工业互联网而言，主要是两点，一是降低工业现场复杂性，二是提高工业数据计算的实时性和可靠性。

边缘计算的技术体系

主要包括两部分，一是边缘计算的参考技术，二是边缘计算的部署视图。这两块来自于边缘计算参考架构3.0体系。

整个框架强调了云、边、端一体化的要求。边缘传感器将设备端基础数据汇集到边缘云平台，在平台上对数据进行分析、处理，然后得到即时结果反馈到设备端。对于边缘管理器，则负责数据统一调配，与云端建立联系，将业务相关数据传输到云端，进行更加深入的分析。然后再对我们边缘侧算法进行优化，从而灵活高效指导生产实践。

边缘计算实施的部署视图分为三层，现场层、边缘层、云计算层。

现场层，包含常见的自动化设备，包括输送线、AGV、机器人、相机、机床、传感器、WG等等一些现场设备。这些现场设备通过各种类型的现场网络和工业总线协议与边缘层的边缘网关进行现场连接，实现现场层和边缘层之间的数据流和控制流连通，我采集一些数据，下发一些控制指令。

边缘层，通过接收、处理、转发来自现场层的一些数据流，提供一些智能感知、安全保护、数据分析、智能计算、过程优化和实时控制等时间敏感服务。对于边缘层来说，分为两大块，一是包含边缘网关、边缘控制器、边缘云、边缘传感器等计算存储设备；二是基于时间敏感网络的叫做机和路由器等网络设备。

云计算层，提供决策支持系统，以及工业互联网里面的一些智能化生产、网络化协同、服务化延伸和个性化定制等应用服务程序，并最终为用户提供一些接口。

云计算层从边缘层接收数据流并向边缘层，以及通过边缘层向现场层发送一些控制信息。云计算层从一个全局范围内对资源进行调度，以及对现场生产过程进行优化。

边缘计算的场景实践

首先讲一下场景实践测试床的系统架构，整个系统架构和边缘计算的架构相吻合，也是分为设备层、平台层和应用层。

设备层，包含一些机器人、AGV、相机、视频监控、RFID、传感器，还有一些边缘网关和边缘控制器。

平台层，基于海尔卡奥斯工业互联网平台部署了一些云端应用，云端一些软件系统，包括数据融合系统、MES系统，还有数据采集和分析系统。

应用层，基于平台里面的一些数据做一些能源监控、预测性维护、质量监测、OEE分析，还包括一些安全措施。测试床里面会体现这些元素，设备安全、网络安全、数据安全、应用安全。

我简单说一下测试床的基础方案。

先说一下产品，基于海尔智能音响“小U”，智能音响测试床是基于海尔卡奥斯工业互联网平台，采用一些智能化、数字化、柔性化的设计理念，构建了一个以用户体验为中心的大规模定制解决方案，实现智能音响定制生产。整个测试床包括物理平台和软件平台。

物理平台，主要是五大部分。

1、原材料仓储单元，主要是存储智能音响的零部件。

2、柔性总装单元，有两台机器人协作完成智能音响各个部件的装配，包括一些本体、底座、底盖，还有拧螺丝。

3、定制检测单元，这个单元可以实现产品的个性化定制，定制主要体现在前端下单。最左侧的小人和触摸屏的位置，有一个人脸识别下单系统，它会通过人脸识别拍下一些客户的人脸头像，同时采集客户的个性化签名，把个性化元素通过定制检测单元里面的激光打标机，将这些元素打印到定制产品上。

4、智能包装单元，把我们装配好和定制好的产品进行包装盒的包装。

5、成品输出单元，把我们包装好的产品入库，还有一个交付过程。相当于模拟离散制造从原材料仓储、装配、检测、包装、入库全流程环节。在这个环节里面，还包括一些AGV系统，实现不同工厂之间零部件的输送，还有人脸识别系统。人脸识别包括两部分，一是前端下单，下单是采集入库信息或者定制化信息，二是右下角触摸屏，在交付的时候通过人脸识别能够提取到一些客户信息、订单信息。点“取单”就是成品输出单元，最后一个机器人从成品库里把你定制的产品交付到你的手里。这是人脸识别系统。

6、虚实融合系统，我有一套大数据采集系统，采集设备数据和生产数据，并用设备数据和生产数据实时驱动虚拟模型，去做一个映射。

7、物料追踪系统，每个工站和托盘上都有一些RFID，是负责整个生产工艺环节的物料追踪，还有一些信息的写入写出。

最终这个产线作为一个底层设备会接入云平台，做一些MES的可视化、数据分析可视化等，接入云平台架构。

软件平台，包括PLC和应用网关，连接各层边缘设备。产线里面会融合多种复杂现场总线，实现控制层的互联互通，包括机器人走的Profinet，WG走的是TCP/IP。总控可能是一些OPCUA，还有一些AGV走的5G，有这样一个构建部署。再就是COSWPlat云平台实现信息整个的交互，和设备层去做一个采集，然后交互。

测试床的初衷就是为了测试一些先进的技术，包括工业互联网智能制造技术，比如边缘计算、数字孪生、机器视觉、人工智能，还有工业互联网安全。测试床作为一个载体，将这个技术应用到我们系统里面做这样一个测试验证。

通过测试床，不仅可以展示智能音响这个产品，从个性化定制、远程下单到智能制造全过程，也展示我们智能产品和智能制造无缝融合。即产品是智能产品，产线是无人化智能产线。当然还有一个场景就是智慧家庭，智能音响可以控制家里面的空调、电视，做这样一个智能的场景。

针对边缘计算有三个场景做测试验证。

场景一：基于机器学习的边云协同和视觉检测。

对于智能音响在整个生产环节当中，有六个数据需要做检测。

一是缺件检测。比如说总共有5个件，整体装配完之后看一下有没有缺件少件。

二是间隙检测。每个件装配完之后有一个间隙，这个间隙是否满足装配需求。

三是颜色检测。这涉及到个性化定制，在前端下单过程中，我可以选择不同的颜色匹配，定制产品。

四是角度测量。

五是LOGO检测。个性化定制采集客户的同样信息和个性化签名，通过激光打标机把这个信息打进去之后，需要检测一下LOGO是不是已经打上了，同时会检测一下LOGO打的正不正。这两个检测实际上是一个功能。

六是划痕检测。整个行业里面，对于划痕目前没有一个标准的界定。比如说长度不同、深度不同、宽度不同，那怎么界定算划痕，没有一个标准？

我们通过基于机器学习的边云协同场景做了一个测试验证。

具体实施方案，智能相机对产品进行拍照，它相当于一个圆体，它知道拍三次，才能把整个产品拍出来。拍完之后，智能相机进行拍照检测，检测数据拍照片会上传到边缘侧。边缘侧会基于云端提前构建好的模型做一个实时分析，做AI决策。

当然，基于端侧的数据，还会通过边缘侧不断汇总到云端，去做不断的分类。优化模型，并将模型下发到边缘侧做接待，做闭环的自主学习。

场景二：基于边缘计算的设备安全优化。

这个产线当时5个工站，每个工站里面都有好多机器人。基于大数据采集和大数据分析，我们对每个设备采集了至少6个数据，这6个数据里面，包括机器人震动数据，关节温度数据、机器人状态、关节电压、关节电流和关节姿态。

像震动数据和关节温度数据，目前来说都是我们添加震动传感器和温度传感器采集的，相当于外加传感器，设备自身不具有采集功能。再就是针对关节电压和关节点列，对机器人来说，它自身系统有这个数据，它要做一些扭矩的测算。但是这个数据并没有开放出来，我们是通过一些电压传感器或者电流传感器，把这些数据采集上来，去做一些数据分析，基于数据采集做一个预测性维护。

场景三：基于安全触发的边缘视频监控。

针对设备安全，设备本身可能有一些安全防护机制，我们为了确保万无一失，可能会增加一些辅助安全，包括一些安全门，还有一些安全关栅。现在比较先进的手段就是安全视频监控，监控里面可能先划定一个安全范围。假如有人员误闯入，提前有一个报警。但是对于一些传统方式来讲，视频监控视频数据是非常大的数据，对这个数据分析，传统方式还是比较难的。传统的监控部署需要将监控视频通过承载网络和核心网络传输到云端或者服务器进行存储和处理。不仅增加了网络负载，而且业务时效性也难以保证。等我从机房或者监控室看到有人进入，再反馈有风险，到现场事故估计早就发生完了。

我们现在的部署方式就是采用一个高清摄像头，可以用无线的方式接入，通过连接WIFI和5G，灵活安装部署，而且不受资源限制。我们搭建一个边缘计算平台，对监控数据实时边缘处理，如果检测到我划定的既定安全区域里面，有人员误闯入，既可以发出一些报警信号，包括现场报警，声量报警和功能报警，还可以发出一个停止信号，设备停机或者让设备放缓。

对于边缘计算平台，我们还可以对一些监控视频进行本地存储，同时上传到云端，供监控室使用。